Nomic Ai Nomic Embed Code GGUF

由 bartowski 开发

这是nomic-ai/nomic-embed-code模型的量化版本，使用llama.cpp进行imatrix量化，适用于代码嵌入和特征提取任务。

文本嵌入开源协议:Apache-2.0 #代码嵌入 #多语言支持 #高精度量化

下载量 2,109

发布时间 : 5/7/2025

模型介绍

内容详情

替代品

模型简介

该模型专注于代码嵌入和特征提取，支持多种编程语言，适用于代码相似度计算和代码搜索等任务。

模型特点

多种量化选项

提供从BF16到Q2_K的多种量化选项，满足不同硬件和性能需求。

代码嵌入优化

专门针对代码嵌入任务优化，支持多种编程语言。

高性能

使用imatrix量化技术，在保持较高精度的同时减少模型大小。

模型能力

代码嵌入

特征提取

句子相似度计算

代码搜索

使用案例

代码分析

代码相似度检测

比较两段代码的相似度，用于代码抄袭检测或代码复用分析。

代码搜索

根据自然语言查询搜索相关代码片段。

开发工具

IDE插件

集成到开发环境中，提供代码补全和文档提示功能。

量化者：bartowski
流水线标签：文本生成
许可证：Apache-2.0
基础模型关联：量化
基础模型：nomic-ai/nomic-embed-code
标签：

句子转换器
句子相似度
特征提取
数据集：
nomic-ai/cornstack-python-v1
nomic-ai/cornstack-javascript-v1
nomic-ai/cornstack-java-v1
nomic-ai/cornstack-go-v1
nomic-ai/cornstack-php-v1
nomic-ai/cornstack-ruby-v1

nomic-ai的nomic-embed-code的Llamacpp imatrix量化

使用llama.cpp发布版本b5284进行量化。

原始模型：https://huggingface.co/nomic-ai/nomic-embed-code

所有量化均使用imatrix选项，数据集来自此处

在LM Studio中运行
或直接使用llama.cpp或任何基于llama.cpp的项目运行

提示格式

<|im_start|>system  
{system_prompt}<|im_end|>  
<|im_start|>user  
{prompt}<|im_end|>  
<|im_start|>assistant

从下方下载单个文件（非整个分支）：

文件名	量化类型	文件大小	分割	描述
nomic-embed-code-bf16.gguf	bf16	14.15GB	false	完整的BF16权重。
nomic-embed-code-Q8_0.gguf	Q8_0	7.52GB	false	极高品质，通常不需要但为最大可用量化。
nomic-embed-code-Q6_K_L.gguf	Q6_K_L	5.94GB	false	嵌入和输出权重使用Q8_0。极高品质，接近完美，推荐。
nomic-embed-code-Q6_K.gguf	Q6_K	5.81GB	false	极高品质，接近完美，推荐。
nomic-embed-code-Q5_K_L.gguf	Q5_K_L	5.20GB	false	嵌入和输出权重使用Q8_0。高品质，推荐。
nomic-embed-code-Q5_K_M.gguf	Q5_K_M	5.07GB	false	高品质，推荐。
nomic-embed-code-Q5_K_S.gguf	Q5_K_S	4.94GB	false	高品质，推荐。
nomic-embed-code-Q4_1.gguf	Q4_1	4.53GB	false	传统格式，性能类似Q4_K_S，但在Apple芯片上改进了每瓦特令牌数。
nomic-embed-code-Q4_K_L.gguf	Q4_K_L	4.51GB	false	嵌入和输出权重使用Q8_0。良好品质，推荐。
nomic-embed-code-Q4_K_M.gguf	Q4_K_M	4.38GB	false	良好品质，大多数用例的默认大小，推荐。
nomic-embed-code-Q4_K_S.gguf	Q4_K_S	4.15GB	false	品质稍低但节省更多空间，推荐。
nomic-embed-code-Q4_0.gguf	Q4_0	4.14GB	false	传统格式，为ARM和AVX CPU推理提供在线重打包。
nomic-embed-code-IQ4_NL.gguf	IQ4_NL	4.13GB	false	类似IQ4_XS，但稍大。为ARM CPU推理提供在线重打包。
nomic-embed-code-Q3_K_XL.gguf	Q3_K_XL	3.99GB	false	嵌入和输出权重使用Q8_0。品质较低但可用，适合低RAM环境。
nomic-embed-code-IQ4_XS.gguf	IQ4_XS	3.93GB	false	尚可品质，比Q4_K_S更小但性能相似，推荐。
nomic-embed-code-Q3_K_L.gguf	Q3_K_L	3.85GB	false	品质较低但可用，适合低RAM环境。
nomic-embed-code-Q3_K_M.gguf	Q3_K_M	3.57GB	false	低品质。
nomic-embed-code-IQ3_M.gguf	IQ3_M	3.34GB	false	中低品质，新方法，性能尚可，与Q3_K_M相当。
nomic-embed-code-Q3_K_S.gguf	Q3_K_S	3.26GB	false	低品质，不推荐。
nomic-embed-code-IQ3_XS.gguf	IQ3_XS	3.11GB	false	较低品质，新方法，性能尚可，略优于Q3_K_S。
nomic-embed-code-Q2_K_L.gguf	Q2_K_L	2.97GB	false	嵌入和输出权重使用Q8_0。极低品质但意外可用。
nomic-embed-code-IQ3_XXS.gguf	IQ3_XXS	2.88GB	false	较低品质，新方法，性能尚可，与Q3量化相当。
nomic-embed-code-Q2_K.gguf	Q2_K	2.84GB	false	极低品质但意外可用。
nomic-embed-code-IQ2_M.gguf	IQ2_M	2.55GB	false	相对低品质，使用SOTA技术，意外可用。

嵌入/输出权重

部分量化（如Q3_K_XL、Q4_K_L等）为标准量化方法，但嵌入和输出权重被量化为Q8_0而非默认值。

使用huggingface-cli下载

点击查看下载说明

首先，确保已安装huggingface-cli：

pip install -U "huggingface_hub[cli]"

然后，可以指定目标文件：

huggingface-cli download bartowski/nomic-ai_nomic-embed-code-GGUF --include "nomic-ai_nomic-embed-code-Q4_K_M.gguf" --local-dir ./

如果模型超过50GB，将被分割为多个文件。要下载所有文件到本地文件夹，运行：

huggingface-cli download bartowski/nomic-ai_nomic-embed-code-GGUF --include "nomic-ai_nomic-embed-code-Q8_0/*" --local-dir ./

可以指定新的本地目录（nomic-ai_nomic-embed-code-Q8_0）或直接下载到当前目录（./）

ARM/AVX信息

过去，您会下载Q4_0_4_4/4_8/8_8，这些文件的内存权重会交错排列，以通过单次加载更多数据来提升ARM和AVX机器的性能。

但现在，有一种称为“在线重打包”的功能，详情见此PR。如果使用Q4_0且硬件受益于权重重打包，它将自动实时完成。

从llama.cpp构建b4282起，您将无法运行Q4_0_X_X文件，而需使用Q4_0。

此外，如果您希望获得略高品质，可以使用IQ4_NL，这得益于此PR，它也会为ARM重打包权重（目前仅4_4）。加载时间可能较长，但会带来整体速度提升。

精选推荐AI模型

Llama 3 Typhoon V1.5x 8b Instruct

专为泰语设计的80亿参数指令模型，性能媲美GPT-3.5-turbo，优化了应用场景、检索增强生成、受限生成和推理任务

Cadet-Tiny是一个基于SODA数据集训练的超小型对话模型，专为边缘设备推理设计，体积仅为Cosmo-3B模型的2%左右。

Roberta Base Chinese Extractive Qa

基于RoBERTa架构的中文抽取式问答模型，适用于从给定文本中提取答案的任务。

AIbase是一个专注于MCP服务的平台，为AI开发者提供高质量的模型上下文协议服务，助力AI应用开发。

简体中文

热门模型

Llama 3 Typhoon V1.5x 8b Instruct

Cadet Tiny

Roberta Base Chinese Extractive Qa

热门模型分类

热门标签